随着Web2.0的发展，如今已经进入了一个数据爆炸的时代。人们想要找到自己需要的信息也越来越难。

–因此有了Search，在用户对自己需求相对明确的时候，用Search能很快的找到自己需要的数据

–但很多情况下，用户其实并不明确自己的需要，或者他们需要更加符合他们个人口味和喜好的结果，因此出现了Recommendation

–这是个从数据的搜索到发现的转变 

推荐方法分类–基于数据

•推荐系统可以简化建模为以下模型 

根据数据的不同，可以把推荐方法分为以下3类：

–根据用户特征(人口统计学)：年龄，性别，职业，收入，地理位置

–根据物品的特征：关键词，基因…

–根据用户对物品的行为：评分，购买，评论…

协同过滤推荐算法分为两类，分别是基于用户的协同过滤算法(user-based collaboratIve filtering)，和基于物品的协同过滤算法(item-based collaborative filtering) 

基于用户的协同过滤 

基本原理

–根据所有用户对物品或者信息的偏好，计算用户间的相似度

–基于相似度找到与当前用户口味和偏好相似的“邻居”用户群，在一般的应用中是采用计算“K-邻居”的算法

–基于这K 个邻居的历史偏好信息，为当前用户进行推荐

用户相似度的计算

–每个用户是一个向量，向量空间为物品集合，用向量的距离表示用户的相似度，cosine相似度

优化方法：

•很多user之间其实没有共同的item，导致分子为0.

•所以先建立物品到用户的倒排表，这样就很容易找到有共同打分的user，对每两个对物品有评价的用户，在User-User的相似度表中先标出他们的分子，最后在统一计算他们的相似度 

 基于物品的协同过滤

基本原理也是类似的：

–它使用所有用户对物品或者信息的偏好，发现物品和物品之间的相似度，然后根据用户的历史偏好信息，将类似的物品推荐给用户

Item-based CF算法  

•基本逻辑和User-based CF一样。